文件擷取認知技能

Note

Azure AI 搜尋服務可透過 Azure 入口網站、REST API 及 Azure SDK 取得。它同時也是 Foundry IQ 的基礎，這是一個管理式知識層，能將企業內容轉化為可重複使用、權限感知的知識庫，供 Microsoft Foundry 入口網站中的代理使用。

文件擷取技能是從豐富管線中的檔案中擷取內容。預設情況下，內容擷取或檢索是內建於增強流程中。不過，使用文件擷取技能後，您可以控制參數的設定方式，以及擷取的內容在擴充樹狀結構的命名方式。

對於向量與多模態搜尋，結合文件擷取與文字分割技能，實作可配置的資料分塊方法。多模態教學示範了這個情境。

Note

此技能並未繫結至 Foundry 工具，也不需要 Foundry 工具金鑰。

此技能會擷取文字與影像。文字擷取是免費的。影像擷取會由 Azure AI 搜尋服務計費。免費搜尋服務會吸收每天每個索引子 20 筆交易的成本，讓您可以免費完成快速入門、教學課程與小型專案。在基本層與更高層級，影像擷取會計費。

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

支援的文件格式

DocumentExtractionSkill 可從下列文件格式擷取文字：

CSV (請參閱編製 CSV Blob 的索引)
EML
EPUB
GZ
HTML
JSON (請參閱編製 JSON Blob 的索引)
KML (以 XML 表示的地理位置資料)
Markdown
Microsoft Office 格式：DOCX/DOC/DOCM、XLSX/XLS/XLSM、PPTX/PPT/PPTM、MSG (Outlook 電子郵件)、XML (2003 與 2006 WORD XML)
Open Document 格式：ODT、ODS、ODP
PDF
純文字檔 (另請參閱編製純文字索引)
RTF
XML
ZIP

技能參數

參數會區分大小寫。

輸入	允許的值	Description
`parsingMode`	`default` `text` `json`	設定為以便 `default` 從非純文字或非 JSON 檔案中擷取文件。對於包含標記的原始檔案，如 PDF、HTML、RTF 及 Microsoft Office 檔案，請使用預設格式擷取不含標記語言或標籤的文字。若 `parsingMode` 未明確定義，則值為 `default`。若來源檔案是 TXT，請設為 `text`。此解析模式提升了純文字檔案的效能。若檔案包含標記，此模式會在最終輸出中保留標籤。設定為以 `json` 從 JSON 檔案中擷取結構化內容。
`dataToExtract`	`contentAndMetadata` `allMetadata`	若要從每個檔案擷取所有中繼資料與文字內容，請設為 `contentAndMetadata`。若 `dataToExtract` 未明確定義，則值為 `contentAndMetadata`。設定為以 `allMetadata` 擷取內容類型的元資料屬性，例如 PNG 檔案獨有的元資料。
`configuration`	請參閱下文。	可選用參數的字典，用來調整文件擷取的執行方式。請參閱下表以了解支援的組態屬性。

配置參數	允許的值	Description
`imageAction`	`none` `generateNormalizedImages` `generateNormalizedImagePerPage`	若要忽略資料集的內嵌影像或影像檔案，或來源資料不包含影像檔案，請設為 `none`。此值為預設值。若要進行 OCR 與影像分析，請設為 `generateNormalizedImages`，讓技能在文件破解時建立標準化影像的陣列。此動作需要 `parsingMode` 集合到 `default` ，且 `dataToExtract` 設為 `contentAndMetadata`。正規化影像的輸出會均勻且大小與旋轉，以促進視覺搜尋結果的一致呈現。技能會為每張圖片產生這些資訊。如果你設定 `imageAction` 為 `generateNormalizedImagePerPage`，每個 PDF 頁面會被渲染成影像並正規化，而不是擷取嵌入的圖片。非 PDF 的檔案類型處理的方式會與設為 `generateNormalizedImages` 時相同。
`normalizedImageMaxWidth`	介於 50-10000 的任何整數	產生的標準化影像最大寬度(像素)。預設值為 2000。
`normalizedImageMaxHeight`	介於 50-10000 的任何整數	產生的標準化影像最大高度(像素)。預設值為 2000。

Note

標準化影像最大寬度與高度的預設值為 2000 像素，是以 OCR 技能與影像分析技能支援的最大大小為依據。 OCR 技能對非英文語言支援的最大寬度與高度為 4200，對英文則為 10000。若您提高最大限制，可能會因技能集定義與文件語言之故，在處理較大影像時失敗。

技能輸入

輸入名稱	Description
`file_data`	應擷取內容的來源檔案。

「file_data」輸入必須為定義如下的物件：

{
  "$type": "file",
  "data": "BASE64 encoded string of the file"
}

或者，也可定義為：

{
  "$type": "file",
  "url": "URL to download file",
  "sasToken": "OPTIONAL: SAS token for authentication if the URL provided is for a file in blob storage"
}

檔案參照物件可透過下列三種方式之一產生：

將索引子定義的 allowSkillsetToReadFileData 參數設為「true」。這麼做建立的 /document/file_data 路徑代表的物件是從您的 Blob 資料來源下載的原始檔案資料。此參數僅適用於 Blob 儲存體的檔案。

allowSkillsetToReadFileData 讓下載的檔案資料可供技能使用。它不會增加 blob 索引器的檔案大小或解壓內容限制。
將索引子定義的 imageAction 參數設為 none 以外的值。這麼做建立的影像陣列若逐一傳遞，會遵循輸入到此技能所需的慣例 (也就是 /document/normalized_images/*)。
讓自訂技能傳回完全按照上述定義的 json 物件。 $type 參數必須精確設為 file，且 data 參數必須是檔案內容的 base 64 編碼位元組陣列資料，或者 url 參數必須是正確格式的 URL，且具備在該位置下載檔案的存取權。

技能產出

輸出名稱	Description
`content`	文件的文字內容。
`normalized_images`	當被設定為非 `none`的值時`imageAction`，新的 normalized_images 欄位包含一組影像陣列。欲了解更多輸出格式資訊，請參閱從影像中擷取文字與資訊。

範例定義

 {
    "@odata.type": "#Microsoft.Skills.Util.DocumentExtractionSkill",
    "parsingMode": "default",
    "dataToExtract": "contentAndMetadata",
    "configuration": {
        "imageAction": "generateNormalizedImages",
        "normalizedImageMaxWidth": 2000,
        "normalizedImageMaxHeight": 2000
    },
    "context": "/document",
    "inputs": [
      {
        "name": "file_data",
        "source": "/document/file_data"
      }
    ],
    "outputs": [
      {
        "name": "content",
        "targetName": "extracted_content"
      },
      {
        "name": "normalized_images",
        "targetName": "extracted_normalized_images"
      }
    ]
  }

範例輸入

{
  "values": [
    {
      "recordId": "1",
      "data":
      {
        "file_data": {
          "$type": "file",
          "data": "aGVsbG8="
        }
      }
    }
  ]
}

範例輸出

{
  "values": [
    {
      "recordId": "1",
      "data": {
        "content": "hello",
        "normalized_images": []
      }
    }
  ]
}

另請參閱

意見反應

此頁面對您有幫助嗎？

Last updated on 2026-08-23

文件擷取認知技能

@odata.type

支援的文件格式

技能參數

技能輸入

技能產出

範例定義

範例輸入

範例輸出

另請參閱

意見反應

其他資源